Puntuación de un modelo mediante Sensei Machine Learning API
NOTEEste tutorial muestra cómo aprovechar las API para crear un experimento y una ejecución de experimento. Para obtener una lista de todos los extremos de la API de aprendizaje automático de Sensei, consulte este documento.
Crear un experimento programado para la puntuación
De forma similar a los Experimentos programados para formación, la creación de un Experimento programado para puntuación también se realiza incluyendo una sección template en el parámetro de cuerpo. Además, el campo name bajo tasks en el cuerpo está establecido como score.
A continuación se muestra un ejemplo de cómo crear un experimento que se ejecutará cada 20 minutos a partir de startTime y se ejecutará hasta endTime.
Solicitud
curl -X POST \
https://platform.adobe.io/data/sensei/experiments \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}' \
-d '{JSON_PAYLOAD}'
{ORG_ID}: las credenciales de su organización se encontraron en su integración de Adobe Experience Platform única.{ACCESS_TOKEN}: valor de token de portador específico proporcionado después de la autenticación.{API_KEY}: se encontró el valor de clave de API específico en la integración de Adobe Experience Platform única.{JSON_PAYLOAD}: objeto de ejecución de experimento que se enviará. El ejemplo que utilizamos en nuestro tutorial se muestra aquí:
{
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"template": {
"tasks": [{
"name": "score",
"parameters": [
{
"key": "modelId",
"value": "{MODEL_ID}"
}
],
"specification": {
"type": "SparkTaskSpec",
"executorCores": 5,
"numExecutors": 5
}
}],
"schedule": {
"cron": "*/20 * * * *",
"startTime": "2018-07-04",
"endTime": "2018-07-06"
}
}
}
{INSTANCE_ID}: ID que representa la instancia de MLI.{MODEL_ID}: ID que representa el modelo entrenado.
La siguiente es la respuesta después de crear el experimento programado.
Respuesta
{
"id": "{EXPERIMENT_ID}",
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"created": "2018-11-11T11:11:11.111Z",
"updated": "2018-11-11T11:11:11.111Z",
"template": {
"tasks": [
{
"name": "score",
"parameters": [...],
"specification": {
"type": "SparkTaskSpec",
"executorCores": 5,
"numExecutors": 5
}
}
],
"schedule": {
"cron": "*\/20 * * * *",
"startTime": "2018-07-04",
"endTime": "2018-07-06"
}
}
}
{EXPERIMENT_ID}: ID que representa el experimento.{INSTANCE_ID}: ID que representa la instancia de MLI.
Crear una ejecución de experimento para puntuación
Ahora, con el modelo entrenado, podemos crear una Ejecución de experimento para la puntuación. El valor del parámetro modelId es el parámetro id devuelto en la solicitud del modelo de GET anterior.
Solicitud
curl -X POST \
https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experimentRun.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}' \
-d '{JSON_PAYLOAD}'
{ORG_ID}: las credenciales de su organización se encontraron en su integración de Adobe Experience Platform única.{ACCESS_TOKEN}: valor de token de portador específico proporcionado después de la autenticación.{API_KEY}: se encontró el valor de clave de API específico en la integración de Adobe Experience Platform única.{EXPERIMENT_ID}: el ID correspondiente al experimento al que desea destinarlo. Esto se puede encontrar en la respuesta al crear el experimento.{JSON_PAYLOAD}: datos que se van a publicar. El ejemplo que utilizamos en nuestro tutorial es el siguiente:
{
"mode":"score",
"tasks": [
{
"name": "score",
"parameters": [
{
"key": "modelId",
"value": "{MODEL_ID}"
}
]
}
]
}
{MODEL_ID}: ID correspondiente al modelo.
A continuación, se muestra la respuesta de la creación de la ejecución del experimento:
Respuesta
{
"id": "{EXPERIMENT_RUN_ID}",
"mode": "score",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z",
"deleted": false,
"tasks": [
{
"name": "score",
"parameters": [...]
}
]
}
{EXPERIMENT_ID}: el ID correspondiente al experimento en el que se encuentra la ejecución.{EXPERIMENT_RUN_ID}: el ID correspondiente a la ejecución del experimento que acaba de crear.
Recuperar un estado de ejecución de experimento para una ejecución de experimento programada
Para obtener las ejecuciones de experimentos para experimentos programados, la consulta se muestra a continuación:
Solicitud
curl -X GET \
'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs' \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-gw-ims-org-id: {ORG_ID}'
{EXPERIMENT_ID}: el ID correspondiente al experimento en el que se encuentra la ejecución.{ACCESS_TOKEN}: valor de token de portador específico proporcionado después de la autenticación.{ORG_ID}: las credenciales de su organización se encontraron en su integración de Adobe Experience Platform única.
Dado que hay varias ejecuciones de experimento para un experimento específico, la respuesta devuelta tendrá una matriz de ID de ejecución.
Respuesta
{
"children": [
{
"id": "{EXPERIMENT_RUN_ID}",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z"
},
{
"id": "{EXPERIMENT_RUN_ID}",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z"
}
]
}
{EXPERIMENT_RUN_ID}: ID correspondiente a la ejecución del experimento.{EXPERIMENT_ID}: el ID correspondiente al experimento en el que se encuentra la ejecución.